1、计量经济学视角下的高校新增设备价值的分析与预测中图分类号：G275 文献标识码：A 文章编号：1002-5812（2015）23-0054-02 摘要：高校作为以教学科研为主要任务的非营利性组织，开展日常运营活动需要大量的设备以维持正常运作。采用计量经济学模型对每年新增的设备价值进行分析与预测，能够有效帮助设备管理与财务部门合理安排预算，分配资金，提升高校资金运作效率。 关键词：计量经济学 高校设备管理 时间序列模型 一、引言 高校进行教育、科研与管理等活动离不开各种仪器设备的支持。高校的设备形式多样，种类繁多，价值不等。按照高等学校财务制度第 42 条的相关规定，单件价值 1 500 元以上
2、（含 1 500 元） ，且在使用过程中能够基本保持原有物质形态、使用期限超过一年的专用设备以及单件价值 1 000 元以上（含 1 000 元） ，且在使用过程中能够基本保持原有物质形态、使用期限超过一年的非专用设备及家具应当计入各类设备核算。划归为各类设备核算的设备的特点是金额较高（1 000 元以上） ，使用期限较久（1 年以上） ，一般而言，一所高校拥有的各类设备总额占高校资产总额的 70%以上，而高校各类设备除房屋与土地之外，主要是各类设备。房屋及土地的特点是建设规划性强，资金使用量可以准确估计，而各类设备的需求和开支则表现出需要量大且波动较大，其资金需要量较难估计，在进行资金管理时
3、，合理预测设备的需求量将很大程度上影响高校的资金使用效率。合理估计高校设备占用的资金需求能够有效避免在账户上留下过多闲置资金，从而能够提高高校资金使用效率。 随着数学统计学的日趋完善，时间序列的线性模型相继产生。高校购置、处置各类设备除了受到历史数据的影响，也会随着其他方面的因素而变动，通过对其进行时间序列的分析，能够消除随机波动的影响，同时能够对未来的走向进行合理估计。 常用的随机时间序列分析方法分为平稳时间序列分析和非平稳时间序列分析两类。平稳时间序列模型包括 AR 模型、MA 模型、ARMA 模型，这些模型应用的前提是时间序列是平稳的，由于常常受到前期事项的影响，日常获得的数据往往不是平
4、稳的，不能直接应用上述模型。通过首先对非平稳时间序列模型取差分使其变为平稳序列模型，再应用上述模型进行分析，可以合理估计时间序列的走向。ARIMA 模型是由 乔治?博克斯（George Box）和格威利姆?詹金斯（Gwilym Jenkins）创立，也称为B-J 方法，该方法不考虑以经济理论为依据的解释变量的作用，而是依据变量本身的变化规律，利用外推机制描述时间序列的变化，能达到最小方差意义下的最优预测，是一种精度较高的时序短期预测方法。 二、 构建高校年新增设备价值时间序列模型 （一）数据来源及分析 在实证中，笔者所用数据为 19992013 年某大学新增各类设备账面价值，采用了“固定资产”
5、一级科目下除“房屋建筑物”及“土地”之外的二级科目各年度的余额作为数据来源。19992013 年的数据用于模型分析，2014 年的新增各类设备账面价值用于检验模型的预测的准确性，为取得较好的效果，账面价值的单位精确到分。年新增各类设备时间序列 FA 是不平稳的，具有较为明显的上升趋势，这也表明了随着时间的推移，高校新增设备的价值总体处于不断增加的状态。若要应用计量经济学模型对该时间序列进行分析，需要对原始数据进行平稳化处理。 （二）数据平稳性检查及处理 为了更加准确地验证原时间序列是否平稳，可以对该序列进行单位根检验，检验的结果如表 1 所示。 由表 1 的结果可知，时间序列 FA 在 ADF
6、 检验中 t 统计量大于 10%的临界值，即无法拒绝原假设 H0：=1，原序列 FA 存在单位根，即认为原序列是非平稳的，要使用 ARMA（p，q）模型进行预测分析，需要对原序列进行平稳化处理。对原时间序列 FA 取一阶差分后，新的序列 DFA 单位根检验及数据曲线图如图 1 所示。 从图 1 中可以看出经过一阶差分，时间序列的上升趋势已经消除，对 DFA 的单位根检验结果见表 2。 由表 2 可以看出，经过一阶差分的时间序列 DFA 的 t 统计量为-7.19401，小于显著性水平为 1%的 t 统计量 -4.05791，因此，其在1%、5%和 10%的显著性水平下都是显著的，DFA 模型通
7、过了单位根检验，拒绝原假设，可以认定该时间序列不存在单位根，是平稳的。 （三）构建时间序列模型 1.模型识别。该时间序列为一元时间序列模型。建模的目的是利用所能够得到历史数据和当前及过去的随机误差项对该时间序列的变化前景进行统计预测，而该预测通常假定不同时刻的随机误差项为统计独立且正态分布的随机变量。对于时间序列预测，首先要找到与数据拟合最好的预测模型，所以阶数的确定和参数的估计是预测的关键。由于时间序列 DFA 是平稳的，可以运用 ARMA 模型进行考量。通过考察时间序列DFA 的自相关图和偏自相关图，绘制 DFA 的相关图和 Q 统计量，确定ARMA 模型的阶数 p，q。 通过对一阶差分时
8、间序列的观察可以得出，一阶差分后的时间序列DFA 的自相关函数和偏自相关函数都具有拖尾的特征，适用于ARIMA（p，1，q）模型。同时，因自相关函数仅在滞后 1 阶处超过 95%的置信区域，而其他各阶滞后的自相关函数都在 95%的置信区域内。而偏自相关函数比较明显地看出属于 1 阶拖尾。因此，选择ARIMA（1，1，1）模型进行预测是比较合理的。 2.模型参数估计与建立。确定了模型后，运用 ARIMA（1，1，1）对原序列进行参数估计，估计结果如表 3 所示。由表 3 计算结果可得到模型的估计结果： DFAt=5276410-0.386122DFAt-1+t-0.920393t-1 模型参数估
9、计后，应该对模型的适合性进行检验，即对模型的残差序列进行自噪声检验。若残差序列不是白噪声序列，意味着还存在有用信息没被提取，需要进一步改进模型。根据前面估计的参数，得到新增各类设备时间序列模型残差系列的相关图和 Q 统计量。残差系列的样本自相关函数都在 95%的置信区域以内，从滞后 112 阶的自相关函数相应的概率值 P 都大于检验水平 0.05，因此不能拒绝原假设，即可以认为模型 ARIMA（1，1，1）估计结果的残差系列不存在自相关，同时，由于该时间序列模型的各项统计量也很好，模型通过检验，可以用于对未来的设备需求量的预测。 三、模型短期预测及分析 （一）模型短期预测 模型的估计结果为：
10、DFAt=5276410-0.386122DFAt-1+t-0.920393t-1 该模型表述的含义是，当期 DFA 值和上一期的 DFA 值相关，同时呈现的是负相关关系。利用该模型对 2014 年新增各类设备数额进行预测，结果见图 2。 利用 2014 年的数据验证，该模型估计的误差在 1.56% 左右，预测的效果比较理想，可以进一步运用该模型对 20152017 年度新增各类设备总额进行估计。通过上一年度的 DFAt-1 推算本年度的 DFAt，再通过本年度的 DFAt 结合上一年度的 FAt-1 推算出今年的 FAt，依据此方法就可以对未来三年的设备新增额进行预测（见表 4） ，从而估计
11、出未来三年的设备占用资金的数额，以尽早制定资金需求预算。 （二）研究结论及分析 通过对上述时间序列进行一阶差分求得平稳时间序列，利用 ARMA 模型对该平稳序列的走势进行预测，并利用最新数据对预测结果进行检验，表明实证结果较为理想，可以利用该模型对未来可能新增各类设备数额进行分析和预测。 通过上述分析可以看出，ARIMA 法是计量经济学中的一种常见方法，其模型比较简单、对资料的要求比较单一、只需考虑变量本身的历史数据，在实际中有着广泛的适用性。在应用中应该根据所要解决的问题及问题的特点等方面来综合考虑并选择相对最优的模型。但由于其模型简单，数据来源少，要想取得较好的预测效果，在实际应用中需要尽
12、可能多的数据，以最大限度地反映出隐藏在数据背后的经济现象。 模型预测和实际值的差异较小，说明应用该模型对该现象的预测效果较好，可以使用这个模型对未来可能发生的新增各类设备支出进行合理预测。通过这种方法，可以优化高校资金配置，将更多的闲置资金应用于其他方面的支出，避免在银行存款账务上留下过多资金，从而提高资金的使用效率。但应用 ARIMA 模型存在一个缺陷，即该模型在短期内预测比较准确，随着预测的延长，随机扰动项的误差会叠加，则有可能使得预测误差逐渐增大。另外，该模型的预测只是针对正常情况下的理论走向，对于某一年发生的非正常波动则无法准确预测，因此，在应用该模型进行预算筹划时，需要特别针对特殊情况留有足够的预备金，如此方可在保障资金安全的情况下有效提升高校的资金使用效率。X 参考文献： 1.张勃，刘秀丽.基于 ARIMA 模型的生态足迹动态模拟和预测：以甘肃省为例J.生态学报， 2011，31（20）. 2.袁国军，谢长风.基于 ARIMA 模型的居民消费价格指数的建模与预测J.齐齐哈尔大学学报，2011， （9）.
